本发明专利技术涉及图像分析技术领域，公开了基于多尺度特征提取的图像分割方法，包括以下步骤：S1、图像预处理、对输入图像进行归一化处理，S2、多尺度特征提取：对处理后的输入图像进行图像金字塔构建，S3、注意力机制设计：在S2步骤每个尺度处理过程中增加自注意力机制与通道注意力机制，S4、特征融合、将不同尺度的特征图进行上采样或下采样，S5、图像分割，S6、后处理，S7、评估优化。通过多尺度特征提取技术和精细化的图像处理流程显著提高了图像分割的准确性，利用高斯金字塔构建多层次图像并采用先进的卷积神经网络进行特征提取，结合自注意力和通道注意力机制，本技术能够精确识别并强化关键特征，同时抑制无关信息。
3、分辨率和尺度局限：传统的图像分割方法可能无法有效处理在不同分辨率和尺度下捕获的医学图像。特别是在处理微小或结构复杂的身体部位时，单一尺度的图像处理可能难以准确捕捉所有相关细节。
1、针对现有技术的不足，本专利技术提供了基于多尺度特征提取的图像分割方法及图像捕捉装置，解决了现有技术在分辨率和尺度局限性较差、对比度和可见度问题以及鲁棒性不足的问题。
>2、为实现以上目的，本专利技术通过以下技术方案予以实现：基于多尺度特征提取的图像分割方法，包括以下步骤：3、s1、图像预处理：对输入图像进行归一化处理，使其像素值保持在0到1之间，并在进行数据增强过程中，对输入图像进行不规则旋转、缩放、平移；
4、s2、多尺度特征提取：对处理后的输入图像进行图像金字塔构建，从多个尺度上同步对输入图像进行处理，而每个尺度上均通过应用卷积神经网络提取图像特征；
5、s3、注意力机制设计：在s2步骤每个尺度处理过程中增加自注意力机制与通道注意力机制；
6、自注意力机制用于计算不同尺度计算特征之间的相似性，并生成注意力图，使用注意力图加权特征图，增强显著特征并抑制无关特征；
7、通道注意力机制用于在每个尺度的特征图上，使用通道注意力机制计算各通道的重要性权重，并根据通道权重调整特征图的各通道值，增强重要特征；
8、s4、特征融合：将不同尺度的特征图进行上采样或下采样，使其大小一致，对齐后的特征图通过加权平均进行融合，而注意力机制优化融合过程中，确保重要特征被有效利用；
9、s5、图像分割：首先进行分割头设计，设计多个全卷积网络fcn分割头，对融合特征图进行处理，生成最终的分割结果，而在分割过程中需要对每个像素进行分类，生成分割掩码，并且在模型的中间层和最终输出层都引入监督信号，提高分割精度；
10、s6、后处理：对分割掩码进行形态学操作包括开运算和闭运算，以去除噪声和细化边界，并在最终使用crf进一步优化分割结果；
11、s7、评估优化：结合交叉熵损失和dice损失，平衡类别不平衡问题，提高分割效果，并在模型使用完成后应用交叉验证和测试集以评估模型性能，调整超参数获得最佳效果。
12、优选的，所述s2步骤中使用高斯金字塔，所述高斯金字塔计算步骤为：
13、s21、对原始图像进行高斯平滑，得到平滑后的图像；
14、s22、对平滑后的图像进行降采样；
15、s23、重复上述步骤，直到达到所需的尺度。
16、优选的，所述s21高斯平滑的函数表达式为：
17、i′k＝ik*g
18、所述s22步骤中降采样函数表达式为:
19、ik+1(x,y)＝ik′(2x,2y)
20、其中，原始图像为i0，第k层图像为ik，高斯核为g，*为卷积操作。
21、优选的，所述s2步骤中的卷积神经网络使用resnet或vgg的一种或多种。
22、优选的，所述s4步骤中，特征图通过加权平均进行融合后会自动生成融合特征图。
23、优选的，所述s5步骤中，全卷积网络fcn分割头包括卷积编码器、特征提取器、卷积解码器以及输出层，而设计多个分割头通过构建多个独立的解码器与输出层，以此得到分割结果。
24、优选的，设计全卷积网络fcn分割头包括以下步骤：
25、s51、使用主干网络提取多尺度特征；
26、s52、为每个分割头创建独立的解码器和输出层；
27、s53、根据需求将多个分割头的输出进行融合；
28、s54、为每个分割头设计独立的损失函数。
29、优选的，所述s54步骤中，损失函数具体为焦点损失函数。
30、基于多尺度特征提取的图像捕捉装置，根据基于多尺度特征提取的图像分割方法，包括图像传感器模块、图像处理模块、计算处理单元、储存模块、通信模块、显示模块、控制接口模块、电源模块；
31、所述图像传感器模块用于将光信号转换为数字图像信号，生成原始图像数据；
32、所述图像处理模块用于对捕捉到的图像进行包括归一化、去噪和增强在内的预处理操作，并从预处理后的图像中提取多尺度特征，运行多分割头fcn图像分割算法，对提取到的特征进行分割处理，再对分割结果进行形态学操作、条件随机场优化后处理；
33、所述计算处理单元用于运行多分割头fcn图像分割算法，处理复杂的计算任务，利用cpu加速卷积神经网络的计算过程；
34、所述储存模块用于保存捕捉到的原始图像和预处理后的图像数据，存储经过分割处理和后处理的图像分割结果，以及图像分割算法的预训练模型参数和配置文件；
35、所述通信模块用于通过无线通信传输图像数据和分割结果；
36、所述显示模块用于展示捕捉到的原始图像和分割处理后的图像结果；
37、所述控制接口模块用于通过触摸屏方式，允许用户对装置调整图像捕捉、处理和分割算法的参数；
38、所述电源模块用于为整个图像捕捉装置提供稳定的电源，保证各模块的正常运行。
39、优选的，所述图像传感器模块通过mipi接口将捕捉到的原始图像数据传输到图像处理模块，图像处理模块与计算处理单元之间通过pcie进行数据传输，所述图像处理模块通过ddr存储接口与存储模块相连接，图像处理模块通过uart通信接口与通信模块连接，所述图像处理模块通过hdmi视频输出接口与显示模块相连接，所述控制接口模块通过gpio控制总线与图像处理模块和计算处理单元连接，所述电源模块通过pmic电源接口为各个模块提供电源。
40、本专利技术提供了基于多尺度特征提取的图像分割方法及图像捕捉装置。具备以下有益效果：
41、1、本专利技术通过多尺度特征提取技术和精本文档来自技高网...
【技术保护点】
1.基于多尺度特征提取的图像分割方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于多尺度特征提取的图像分割方法，其特征在于，所述S2步骤中使用高斯金字塔，所述高斯金字塔计算步骤为：
3.根据权利要求2所述的基于多尺度特征提取的图像分割方法，其特征在于，所述S21高斯平滑的函数表达式为：
4.根据权利要求1所述的基于多尺度特征提取的图像分割方法，其特征在于，所述S2步骤中的卷积神经网络使用ResNet或VGG的一种或多种。
5.根据权利要求1所述的基于多尺度特征提取的图像分割方法，其特征在于，所述S4步骤中，特征图通过加权平均进行融合后会自动生成融合特征图。
6.根据权利要求1所述的基于多尺度特征提取的图像分割方法，其特征在于，所述S5步骤中，全卷积网络FCN分割头包括卷积编码器、特征提取器、卷积解码器以及输出层，而设计多个分割头通过构建多个独立的解码器与输出层，以此得到分割结果。
7.根据权利要求6所述的基于多尺度特征提取的图像分割方法，其特征在于，设计全卷积网络FCN分割头包括以下步骤：
8.根据权利要求7所述的基于多尺度特征提取的图像分割方法，其特征在于，所述S54步骤中，损失函数具体为焦点损失函数。
9.基于多尺度特征提取的图像捕捉装置，根据权利要求1-8所述的基于多尺度特征提取的图像分割方法，其特征在于，包括图像传感器模块、图像处理模块、计算处理单元、储存模块、通信模块、显示模块、控制接口模块、电源模块；
10.根据权利要求9所述的基于多尺度特征提取的图像捕捉装置，其特征在于，所述图像传感器模块通过MIPI接口将捕捉到的原始图像数据传输到图像处理模块，图像处理模块与计算处理单元之间通过PCIe进行数据传输，所述图像处理模块通过DDR存储接口与存储模块相连接，图像处理模块通过UART通信接口与通信模块连接，所述图像处理模块通过HDMI视频输出接口与显示模块相连接，所述控制接口模块通过GPIO控制总线与图像处理模块和计算处理单元连接，所述电源模块通过PMIC电源接口为各个模块提供电源。
...
【技术特征摘要】
1.基于多尺度特征提取的图像分割方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于多尺度特征提取的图像分割方法，其特征在于，所述s2步骤中使用高斯金字塔，所述高斯金字塔计算步骤为：
3.根据权利要求2所述的基于多尺度特征提取的图像分割方法，其特征在于，所述s21高斯平滑的函数表达式为：
4.根据权利要求1所述的基于多尺度特征提取的图像分割方法，其特征在于，所述s2步骤中的卷积神经网络使用resnet或vgg的一种或多种。
5.根据权利要求1所述的基于多尺度特征提取的图像分割方法，其特征在于，所述s4步骤中，特征图通过加权平均进行融合后会自动生成融合特征图。
6.根据权利要求1所述的基于多尺度特征提取的图像分割方法，其特征在于，所述s5步骤中，全卷积网络fcn分割头包括卷积编码器、特征提取器、卷积解码器以及输出层，而设计多个分割头通过构建多个独立的解码器与输出层，以此得到分割结果。
7.根据权利要求6所述的基于多尺度特征提取的...
【专利技术属性】
技术研发人员：杨欣怡，魏鑫华，杨朋潮，邱佳丰，林炫成，林冰玥，
申请(专利权)人：杭州电子科技大学信息工程学院，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。